GPU A系列裸金属服务器更换NVIDIA和CUDA

场景描述

当裸金属服务器预置的NVIDIA版本和业务需求不匹配时，需要更换NVIDIA驱动和CUDA版本。本文介绍华为云A系列GPU裸金属服务器（Ubuntu20.04系统）如何从“NVIDIA 525+CUDA 12.0”更换为“NVIDIA 515+CUDA 11.7”。

操作步骤

1. 卸载原有版本的NVIDIA和CUDA。
   1. 查看使用apt包管理方式安装的nvidia软件包， 执行如下命令实现查看和卸载。

      dpkg -l | grep nvidia
      dpkg -l | grep cuda
      sudo apt-get autoremove --purge nvidia-*
      sudo apt-get autoremove --purge cuda-*

      以上命令可以卸载nvidia-driver、cuda、nvidia-fabricmanager、nvidia-peer-memory四个软件。

      但是如果nvidia和cuda是使用runfile(local)方式安装的，那么需要在下一步中再次卸载。

   2. 若使用nvidia run包直接安装的驱动，需要找到对应的卸载命令。

      sudo /usr/bin/nvidia-uninstall
      sudo /usr/local/cuda-11.7/bin/cuda-uninstaller

   3. 验证是否卸载完成。

      nvidia-smi
      nvcc -V
      dpkg -l | grep peer
      dpkg -l | grep fabricmanager
      dpkg -l | grep nvidia

2. 卸载nccl相关软件。

   由于nccl和cuda是配套关系， 当cuda版本从12.0更换为11.7的时候，libnccl和libnccl-dev都需要更换为和cuda11.7匹配的版本。因此必须卸载掉原版本。

   sudo apt-get autoremove --purge *nccl*

3. 删除原nccl-test的编译后文件。

   由于nccl-test make编译也是基于当前cuda12.0版本的。 当cuda版本更换后，需要重新编译， 因此删除它。默认该文件在/root/nccl-tests直接删除即可。

4. 从内核中卸载nvidia相关的所有进程。

   在安装nvidia驱动时，必须把内核中加载nvidia相关的进程卸载，否则会失败。具体操作请参考GPU裸金属服务器更换NVIDIA驱动后执行nvidia-smi提示Failed to initialize NVML。

   

   若遇到加载到内核的nvidia进程循环依赖，无法从内核中卸载nvidia，此时执行reboot命令重启服务器即可。

5. 安装NVIDIA-515和CUDA-11.7配套软件环境。具体步骤请参考GP Ant8裸金属服务器Ubuntu 20.04安装NVIDIA 515+CUDA 11.7。